論文の概要: Physics-aware Graph Neural Network for Accurate RNA 3D Structure Prediction

• arxiv url: http://arxiv.org/abs/2210.16392v2
• Date: Mon, 24 Jul 2023 02:05:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-26 00:40:31.374305
• Title: Physics-aware Graph Neural Network for Accurate RNA 3D Structure Prediction
• Title（参考訳）: rna3次元構造予測のための物理アウェアグラフニューラルネットワーク
• Authors: Shuo Zhang, Yang Liu, Lei Xie
• Abstract要約: 実験的に決定されたRNA構造が限られていることを考えると、RNA構造の予測はRNA機能の解明とRNAを標的とした薬物発見を促進する。 原子型のみを訓練したグラフニューラルネットワーク(GNN)に基づくスコアリング関数を提案する。 提案した物理対応多重グラフニューラルネットワーク(PaxNet)は、局所的および非局所的相互作用を別々にモデル化する。
• 参考スコア（独自算出の注目度）: 20.276492931562036
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biological functions of RNAs are determined by their three-dimensional (3D) structures. Thus, given the limited number of experimentally determined RNA structures, the prediction of RNA structures will facilitate elucidating RNA functions and RNA-targeted drug discovery, but remains a challenging task. In this work, we propose a Graph Neural Network (GNN)-based scoring function trained only with the atomic types and coordinates on limited solved RNA 3D structures for distinguishing accurate structural models. The proposed Physics-aware Multiplex Graph Neural Network (PaxNet) separately models the local and non-local interactions inspired by molecular mechanics. Furthermore, PaxNet contains an attention-based fusion module that learns the individual contribution of each interaction type for the final prediction. We rigorously evaluate the performance of PaxNet on two benchmarks and compare it with several state-of-the-art baselines. The results show that PaxNet significantly outperforms all the baselines overall, and demonstrate the potential of PaxNet for improving the 3D structure modeling of RNA and other macromolecules. Our code is available at https://github.com/zetayue/Physics-aware-Multiplex-GNN.
• Abstract（参考訳）: RNAの生物学的機能は3次元構造によって決定される。 したがって、実験的に決定されたRNA構造の限られた数を考えると、RNA構造の予測はRNA機能の解明とRNAを標的とした薬物発見を促進するが、依然として難しい課題である。 本研究では,原子型のみを訓練したグラフニューラルネットワーク(gnn)ベースのスコアリング関数を提案し,rna3d構造を限定的に解決し,正確な構造モデルを識別する。 提案する物理アウェアマルチプレックスグラフニューラルネットワーク(paxnet)は、分子力学に触発された局所的相互作用と非局所的相互作用を別々にモデル化する。 さらに、PaxNetには、最終予測のために各インタラクションタイプの個々のコントリビューションを学習するアテンションベースの融合モジュールが含まれている。 2つのベンチマークでPaxNetの性能を厳格に評価し、最先端のベースラインと比較する。 その結果、paxnetは全体のベースラインを大きく上回り、rnaやその他のマクロ分子の3d構造モデリングを改善するためのpaxnetの可能性を実証した。 私たちのコードはhttps://github.com/zetayue/Physics-aware-Multiplex-GNNで利用可能です。

関連論文リスト

• Beyond Sequence: Impact of Geometric Context for RNA Property Prediction [6.559586725997741]
  RNA構造は1D配列、2Dトポロジカルグラフ、3Dオール原子モデルとして表現できる。 既存の作品は、主に2次元と3次元の幾何学的文脈を見渡す1次元シーケンスベースのモデルに焦点を当てている。 本研究では,RNA特性予測に明示的な2次元および3次元幾何情報を取り入れた最初の体系的評価を行った。
  論文  参考訳（メタデータ） (2024-10-15T17:09:34Z)
• BEACON: Benchmark for Comprehensive RNA Tasks and Language Models [60.02663015002029]
  本稿では、最初の包括的なRNAベンチマークBEACON(textbfBEnchmtextbfArk for textbfCOmprehensive RtextbfNA Task and Language Models)を紹介する。 まずBEACONは、構造解析、機能研究、工学的応用を網羅した、これまでの広範囲にわたる研究から導かれた13のタスクから構成される。 第2に、CNNのような従来のアプローチや、言語モデルに基づく高度なRNA基盤モデルなど、さまざまなモデルについて検討し、これらのモデルのタスク固有のパフォーマンスに関する貴重な洞察を提供する。 第3に、重要なRNA言語モデルコンポーネントについて検討する。
  論文  参考訳（メタデータ） (2024-06-14T19:39:19Z)
• 3D-based RNA function prediction tools in rnaglib [2.048226951354646]
  RNA 3D構造のデータセットを構築し、適切なモデリング選択を行うには、まだ時間がかかり、標準化が欠如している。 本稿では,RNA3次元構造のデータセット上で,教師付きおよび教師なし機械学習に基づく関数予測モデルをトレーニングするために,rnaglibを用いることについて述べる。
  論文  参考訳（メタデータ） (2024-02-14T17:22:03Z)
• RDesign: Hierarchical Data-efficient Representation Learning for Tertiary Structure-based RNA Design [65.41144149958208]
  本研究では,データ駆動型RNA設計パイプラインを体系的に構築することを目的とする。 我々は、ベンチマークデータセットを作成し、複雑なRNA第三次構造を表現するための包括的な構造モデリングアプローチを設計した。 RNA設計プロセスを容易にするために,塩基対を持つ抽出二次構造体を事前知識として組み込んだ。
  論文  参考訳（メタデータ） (2023-01-25T17:19:49Z)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• E2Efold-3D: End-to-End Deep Learning Method for accurate de novo RNA 3D Structure Prediction [46.38735421190187]
  E2Efold-3Dというエンド・ツー・エンドの深層学習手法を開発し,テクスタイド・ノボRNA構造予測を精度良く行う。 完全微分可能なエンドツーエンドパイプライン、二次構造による自己蒸留、パラメータ効率のよいバックボーンの定式化など、データ不足を克服するために、いくつかの新しいコンポーネントが提案されている。
  論文  参考訳（メタデータ） (2022-07-04T17:15:35Z)
• Efficient and Accurate Physics-aware Multiplex Graph Neural Networks for 3D Small Molecules and Macromolecule Complexes [19.268713909099507]
  本研究では,3次元分子の表現を効率的に学習するための物理対応多重グラフニューラルネットワーク(PaxNet)を提案する。 PaxNetは、分子力学にインスパイアされた局所的および非局所的な相互作用のモデリングを分離する。 また、各原子の関連ベクトルを学習することでベクトル特性を予測できる。
  論文  参考訳（メタデータ） (2022-06-06T00:28:37Z)
• Uncovering the Folding Landscape of RNA Secondary Structure with Deep Graph Embeddings [71.20283285671461]
  このようなグラフ埋め込みを学習するための幾何散乱オートエンコーダ(GSAE)ネットワークを提案する。 我々の埋め込みネットワークは、最近提案された幾何散乱変換を用いて、まずリッチグラフ特徴を抽出する。 GSAEは、構造とエネルギーの両方でRNAグラフを整理し、ビスタブルRNA構造を正確に反映していることを示す。
  論文  参考訳（メタデータ） (2020-06-12T00:17:59Z)
• Hierarchical, rotation-equivariant neural networks to select structural models of protein complexes [6.092214762701847]
  タンパク質複合体の正確なモデルを特定するために,全ての原子の3次元位置から直接学習する機械学習手法を提案する。 我々のネットワークは、考えられるモデルの大きな集合のうち、正確な構造モデルの同定を大幅に改善する。
  論文  参考訳（メタデータ） (2020-06-05T20:17:12Z)
• Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
  3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。 局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。 本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
  論文  参考訳（メタデータ） (2020-04-21T13:40:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。